physics.comp-ph

Machine Learning for Electron-Scale Turbulence Modeling in W7-X

Diese Arbeit präsentiert ein durch maschinelles Lernen gesteuertes, physikgestütztes reduziertes Modell zur Vorhersage des durch Elektronen-Temperaturgradienten (ETG) verursachten Turbulenz-Wärmeflusses im Wendelstein 7-X Stellarator, welches durch aktives Lernen und radiale Interpolation eine hohe Genauigkeit erreicht, aber aufzeigt, dass eine einzige radienunabhängige Formulierung nicht ausreicht, um die geräteabhängige Transportphysik zu erfassen.

Exterior complex scaling enables physics-informed neural networks for quantum scattering

Diese Arbeit zeigt auf, dass die äußere komplexe Skalierung nicht-zerfallende Streuwellenfunktionen in exponentiell abfallende Formen transformiert, was es physikinformierten neuronalen Netzen ermöglicht, erstmals Kernstreuprobleme präzise zu lösen und den Weg für effiziente inverse Probleme sowie komplexe Reaktionsmodellierung zu ebnen.

Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching

Dieses Paper führt eine generative Flow-Matching-Methode ein, die nicht-markovsche und nicht-gaußsche Effekte in der kurzzeitigen stochastischen Partikeldynamik präzise erfasst und dabei herkömmliche regularisierte Dean-Kawasaki-Modelle bei der Vorhersage statistischer Momente und erster Passagezeiten übertrifft.

Six Open Questions in Machine-Learned Interatomic Potential Foundation Models

Diese Arbeit definiert grundlegende maschinell gelernte interatomare Potentiale (MLIPs) und artikuliert sechs kritische offene Fragen, die erwartungsgemäß die zukünftige Spitzenforschung auf diesem Gebiet leiten werden.

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves

Tricriticality and chaos in a generalized Allee-logistic map

Diese Arbeit führt eine generalisierte Allee-logistische Abbildung ein, die kontinuierliche und diskontinuierliche Aussterbeübergänge überbrückt, Tritikalität mit universellen Skalierungsrelationen aufzeigt und demonstriert, dass der Allee-Effekt den Ausbruch des Chaos unterdrückt.

Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment

Diese Arbeit präsentiert ein wissenschaftliches Machine-Learning-Framework, das einen Convolutional Neural Network-Surrogatmodell mit Bayesscher Inferenz kombiniert, um die Mehrphasen-CO2-Sole-Strömungsdynamik in porösen Medien effizient vorherzusagen und zu kalibrieren, wobei signifikante Verbesserungen bei der Parameteridentifikation und der Simulationsgenauigkeit gegenüber traditionellen Methoden unter Verwendung hochauflösender „FluidFlower“-Experimentaldaten nachgewiesen werden.

A tensor-train multidimensional inverse Laplace transform

Dieses Paper führt eine Tensor-Train-Formulierung für die mehrdimensionale inverse Laplace-Transformation ein, welche den Fluch der Dimensionalität überwindet, indem sie die Rechenkomplexität durch niedrigrangige Tensorapproximationen und Kontraktionen von exponentiell auf polynomisch reduziert, wobei die Wirksamkeit an verschiedenen multivariaten Verteilungen demonstriert wird.

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

Diese Studie zeigt, dass Physics-Informed Neural Networks (PINNs) zwar die Wandschubspannung aus passiven Skalardaten nur dann rekonstruieren können, wenn Messungen nahe der Wand vorliegen, ein auf PDE-gestützter Optimierung basierendes differenzierbares Physik-Framework jedoch in der Lage ist, eine genaue Wandschubspannung über verschiedene Messszenarien hinweg sowohl in kanonischen als auch in patientenspezifischen kardiovaskulären Strömungen wiederherzustellen.

Robust and efficient configurational molecular sampling via Langevin Dynamics